在线评测（Online Judge,OJ）系统为编程用户提供自主练习的平台,而OJ系统中大量的题目造成编程用户的选题困扰,因此在OJ系统中添加题目推荐模块对于编程用户而言具有重要作用,可以辅助他们进行题目的选择,节省选题时间。本文首先根据学生做题通过率进行题目推荐,通过率高的题目学生容易做对,能增加其做题兴趣,所以算法的目的是给学生推荐通过率高的题目。算法使用深度知识追踪（Deep Knowledge Tracing,DKT）模型预测做题通过率,将DKT原本输入变为题目编号,并增加额外信息,同时对输入进行压缩,实验结果表明预测效果比DKT模型有所提高。后续根据预测结果进行推荐,提高推荐算法的可解释性。其次本文在传统推荐算法的基础上,将协同过滤和基于内容的推荐相结合进行混合推荐。通过在协同过滤中引入题目文本信息弥补它忽略题目本身内容信息的缺陷。针对OJ题目有相应的文本描述信息和若干知识点组成的特点,文中将其看作小型知识图谱,利用BERT（Bidirectional Encoder Representations from Transformers）模型将文本向量化,并融合到协同过滤中,提高推荐结果。本文具体研究内容如下:（1）首先预测学生做题通过率。本文使用DKT模型预测做题通过率。现有的DKT模型将同一知识点下的题目看成是同一题目,这样会导致无法根据每道题目自身的特点进行精确的预测。因此,选择将题目进行输入,此时输出的也就是每道题目通过的概率,有助于提高预测的效果。但这种方式也会产生输入的题目之间相互独立且使得输入维度过大的问题。为了解决这两个问题,文中的算法先在输入中增加了知识点信息,建立题目之间的联系,之后将输入维度进行压缩,防止维度过大影响训练的效率。在Codeforces（CF）网站数据集的测试中表明,改进后模型的预测效果有所提高。（2）进行了OJ题目知识图谱的构建。利用了CF网站上提供的知识点、题目和难度信息作为知识图谱的实体,并定义了他们之间的关系,根据专家意见和算法竞赛教科书定义知识点之间的关系。（3）将每道题目文本描述及其包含的若干知识点看成小型知识图谱,利用该数据信息进行题目文本嵌入,整个过程看作是文本分类,用BERT模型及后续添加的微调层获得题目文本向量,再将向量用于协同过滤算法进行混合推荐。（4）基于上述的算法和工作,本文提出了两种题目推荐的策略。一是利用已经预测的题目通过率,根据排序结果推荐通过率高的题目。二是利用知识图谱进行题目推荐,利用知识图谱的概念将题目文本向量化,将该文本内容信息融合到协同过滤算法中,进行混合推荐。